This thesis depicts, how density based supervised and unsupervised machine learning in the form of classification and clustering can be performed with sparse grids, which were built using the combination technique. Therefore the sparseSpACE framework, an environment for computing arbitrary operations with the combination technique, was expanded by a wrapper, which provides an interface for density based machine learning and integrates the already existing implementation of density estimation. Classification wants to learn, which points of an input set are more likely to accept a certain class to then label unknown new data accordingly. Clustering on the other hand labels completely unknown input based on similar properties between points. To accomplish that, a "nearest-neighbor-graph" connecting most of the set is built and then reduced according to the estimated density, constructing new clusters. Such high-dimensional machine learning tasks are usually infeasible to compute with full grid density estimation, so the use of a sparse grid based approach is utilized. The implemented algorithms for both machine learning tasks are evaluated by testing and analyzing various sets of data.     «

This thesis depicts, how density based supervised and unsupervised machine learning in the form of classification and clustering can be performed with sparse grids, which were built using the combination technique. Therefore the sparseSpACE framework, an environment for computing arbitrary operations with the combination technique, was expanded by a wrapper, which provides an interface for density based machine learning and integrates the already existing implementation of density estimatio...     »

Diese Arbeit beschreibt, wie überwachtes und unüberwachtes maschinelles Lernen im Sinne von Klassifikation und Clustering mithilfe der mit Kombinationstechnik erstellten Dünngittern ausgeführt werden kann. Dazu wurde das sparseSpACE-Framework, welches eine Umgebung für Berechnungen mit der Kombinationstechnik bietet, um einen Wrapper erweitert, der eine Schnittstelle für dichtebasiertes maschinelles Lernen bietet und die bereits vorhandene Dichteschätzungs-Funktionalität integriert. Die Klassifizierung will anhand eines Eingabedatensatzes lernen, welche Punkte darin welche Klassen annehmen, um so unbekannte Daten zu klassifizieren. Clustering hingegen kategorisiert Datensätze komplett neu anhand von erkannten Ähnlichkeiten zwischen den Punkten. Zu diesem Zweck wird ein "Nearest-Neighbor-Graph" erstellt, der die meisten Punkte miteinander verbindet und der mithilfe der Dichtefunktion so reduziert wird, dass neue Kategorien entstehen. Solch mehrdimensionales maschinelles Lernen is normalerweise ungeeignet für Berechnungen mit Vollgittern, weshalb ein Dünngitteransatz benutzt wird. Die implementierten Algorithmen für beide Arten des maschinellen Lernens sind mit mehreren Datensätzen getestet und analysiert worden.     «

Diese Arbeit beschreibt, wie überwachtes und unüberwachtes maschinelles Lernen im Sinne von Klassifikation und Clustering mithilfe der mit Kombinationstechnik erstellten Dünngittern ausgeführt werden kann. Dazu wurde das sparseSpACE-Framework, welches eine Umgebung für Berechnungen mit der Kombinationstechnik bietet, um einen Wrapper erweitert, der eine Schnittstelle für dichtebasiertes maschinelles Lernen bietet und die bereits vorhandene Dichteschätzungs-Funktionalität integriert. Die Kl...     »